Изучение Python: ТОП-10 вопросов разной направленности

Редакция Библиотеки программиста рекомендует начать изучение Python по подготовленной подборке образовательных материалов.

Основы

В изучение Python входит понимание и овладение массой синтаксических и практических нюансов. Приступим к рассмотрению материала.

1. От новичка до гуру. Всеобъемлющая статья, которая подойдет "совсем зеленым" программистам на Python. Автор рассматривает переменные, потоки, циклы и итерации, коллекции, массивы и словари. Очень хорошо объясняется теория ООП. Если вы только начали свое путешествие в мир Python – эта статья для вас.
2. Вы могли не знать, что у символа "подчеркивание" в Python есть свой смысл. Он состоит из 5 различных вариантов использования, которые описываются в этой статье.
3. Краткий обзор нововведения в Python 3.7 – классы данных. Автор объясняет, в чем преимущества и недостатки использования этих классов, а также приводит несколько емких примеров.
4. Начиная с Python 3.6, появились правила объявления типов. Чтобы усилить контроль за правильностью объявления, теперь необходимо использовать внешний инструмент: mypy или PyCharm. Статья научит, как правильно реализовывать статические типы в вашем коде.
5. Функции генератора позволяют объявлять функцию, которая ведет себя как итератор. Так итератор можно создать более быстрым и простым способом. Данный туториал поможет понять, зачем и почему нужно использовать генераторы.
6. Небольшое вступление в тему потоковой и параллельной обработки в Python. Первая часть предоставит информацию о возможностях параллельной обработки процессов и потоков.
7. Вторая часть туториала по параллелизму и мультипоточности. В статье рассматривается более сложный аспект: синхронизация потоков и связь, облегчающие изучение Python.
8. Вы знаете, как писать код, реализующий задачи Data Science? Эта статья поможет разобраться в этом, а также научит организовывать и оптимизировать код.
9. Если вы ничего не слышали о Pandas и DataFrames, но вы хорошо разбираетесь в SQL, то статья может стать вам полезной.

Оптимизация производительности

1. Все слышали миф, что Python очень медлительный. Эта статья очень важна для понимания принципов оптимизации и улучшения производительности.
2. Если вы используете Pandas DataFrame, вам нужно внимательно подходить к выбору методов улучшения оптимизации. Здесь автор расскажет о нескольких методологиях работы с производительностью и сравнит результаты.
3. Статья о предварительной обработке данных расскажет о функциях для работы по улучшению производительности и роста скорости запросов в Pandas DataFrame.
4. Если вы хотите поднять скорость работы кода с минимальным количеством затраченной памяти, то в Python 3.5 есть отличный инструмент – asyncio.
5. Этот туториал расскажет вам, как использовать алгоритм Aho-Corasick и Trie Data Structure для поиска и замены ключевых слов в больших объемах данных.
6. Инженер из Instagram расскажет о работе сборщика мусора и об усовершенствованном методе оптимизации высоконагруженных приложений.
7. Статья о фреймворке для микро-сервисов, который работает с поразительной скоростью и позволяет совершать миллионы запросов в секунду. Добавьте этот материал в свое изучение python.

Среда разработки и DevOps

1. Хотите научиться устанавливать и управлять PyCharm и Anaconda – этот туториал поможет разобраться в тонкостях и станет отличной отправной точкой для новичков.
2. Учимся разворачивать Docker, Nginx и Redis, а также рассматриваем преимущества использования данной связки ПО.
3. Если вы создаете веб-приложения на Python и Docker, то этот гайд по работе с Dockerfiles будет как нельзя кстати.
4. Быстрый старт в PySpark и Jupyter Notebook для создания прототипов в Big Data, машинного обучения и не только.
5. Обзор необходимого инструмента для любого Python-разработчика – обновленной версии JupyterLab.

Машинное обучение

1. Емкий гайд, который включает в себя описание восьми алгоритмов машинного обучения. Must-read для молодых специалистов.
2. Восхитительная серия из семи уроков по изучению искусственного интеллекта. Часть 1, часть 2, часть 3, часть 4, часть 5, часть 6, часть 7.
3. Чтобы повысить свой навык создания моделей машинного обучения, можно принять участие в конкурсе Kaggle. В статье рассматривается, как решить задачу по машинному обучению и предоставить свои результаты на конкурс.
4. В TensorFlow появились новые структуры: Estimator, Experiment и Dataset. Автор статьи расскажет, как их использовать и где применять.
5. Этот туториал научит вас делать TensorFlow модели доступными из интернета при помощи Flask.
6. Один из наиболее широко используемых алгоритмов машинного обучения – линейная регрессия. Она помогает моделировать линейные зависимости между переменными.
7. Сокращение размерности – сложная, но доступная тема. Автор гайда поведает о трех основных методах: PCA, t-SNE и Auto Encoders + где их выгодно применять.
8. Туториал подробно расскажет, как разрешить проблему машинного обучения со случайным лесом. Рассматривается, как подготовить и очистить данные, создать и улучшить модель, и, наконец, визуализировать результаты.
9. Существует множество концепций в области машинного обучения. Среди них логистическая регрессия – алгоритм, предсказывающий вероятности категориальной зависимой переменной.
10. Серия из четырех статей об особенностях проектирования и прикладного машинного обучения. Часть 1, часть 2, часть 3, часть 4.
11. Десять алгоритмов машинного обучения, без которых не стать на путь Data Scientist. Автор объясняет базовые концепции этих алгоритмов, а также демонстрирует библиотеки Python, работающие с ними.
12. Открытый курс по машинному обучению. Тема первого занятия: "Исследовательский анализ данных при помощи Pandas".
13. Работа с временными рядами на примере цен на акции корпораций GM и Tesla, а также построение прогнозирующей модели при помощи пакета Prophet Facebook.

Обработка видео и изображений

1. Туториал рассказывает, как создать свой Apple FaceID, и как он может работать с использованием сиамских сверточных сетей.
2. Автор статьи научит создавать кастомный детектор объектов на основе TensorFlow с применением COCO dataset.
3. Алгоритм Deepfakes позволяет подменять лица на видео или изображениях при помощи машинного обучения. Статья расскажет о всех тонкостях применения этого процесса в игровой индустрии.
4. Создание проекта распознавания изображений, используя веб-приложение на Flask + Keras + Google Compute Engine + Google Cloud Storage для хранения материала.
5. Как распознать и классифицировать почти любой объект? Этот гайд поведает вам, как, используя Keras, TensorFlow и заранее обученную сверточную сеть, можно добиться поставленной цели.

Чат-боты и обработка естественного языка

1. Обработка естественного языка – базовая концепция в искусственном интеллекте. Автор статьи разберет, как классифицировать текст, используя scikit-learn, Python и NLTK.
2. Еще один способ классификации текста поможет понять, как это работает при помощи двухслойной нейронной сети.
3. Статья расскажет, как преобразовать разговорные намерения в TensorFlow-модель и создать на ее базе чат-бота.
4. Собираем своего Telegram-bot.
5. Другой пример чатбота на основе Telegram, он показывает, как развернуть бота на AWS Lambda с помощью инструмента под названием Zappa.

Блокчейн

1. Создаем свой крохотный блокчейн используя 50 строк кода на Python в двух частях. Часть 1, часть 2.
2. Изучение Python блокчейна в процессе построения.

Веб-разработка

1. Детальный гайд по созданию full-stack веб-приложения, используя связку Python и Flask.
2. Разработчик ПО расскажет, как создать микросервисы для своего проекта. Часть 1, часть 2, часть 3.
3. Создание простого Django-приложения для поиска текста на базе ElasticSearch.

Веб-парсинг

1. Как "достать" все данные из HTML-страницы при помощи BeautifulSoup.
2. Учимся парсить сайты, используя Scrapy по CSS селекторам. Автор покажет полностью рабочее приложение и пример работы.
3. Контролируем окно браузера при помощи Selenium webdriver и Geckodriver на Python.
4. Поиск любой информации на сайте с помощью API Python на примере выборки из Medium.

Визуализация данных

1. Пять быстрых и простых методов визуализации данных на Matplotlib облегчат изучение Python.
2. Визуализация данных с использованием библиотеки Bokeh interactive visualization в трех частях. Часть 1, часть 2, часть 3.

Другие материалы по теме:

• Трюки и советы по Python, которые облегчат вашу жизнь
• Полезные фрагменты или 30 секунд кода на Python
• Нейронная сеть на Python в 15 строк кода для диагностики диабета